基于F-FDG-PET的深度学习用于预测阿尔茨海默病临床谱中非痴呆老年人的认知衰退

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 老年学是一门学科.

背景情况:

• 对于阿尔茨海默病 (AD) 的痴呆前阶段,由于新兴的疾病修饰疗法,需要预后工具.
• 在轻度认知障碍 (MCI) 和正常认知 (NC) 阶段,评估基于18F-氧糖-正电子发射断层扫描 (18F-FDG-PET) 的深度学习 (DL) 模型的预后价值至关重要.

研究的目的:

• 评估基于18F-FDG-PET的DL模型的预后能力,用于预测MCI和NC患者的认知衰退.
• 确定DL模型的输出是否提供超出现有的临床信息和传统成像措施的预后附加值.

主要方法:

• 使用来自ADNI和J-ADNI数据集的18F-FDG-PET数据 (n=756) 开发了一个DL模型,以对AD-痴呆症与NC进行分类.
• 该模型对认知衰退的预后价值在MCI和NC队列 (ADNI MCI,J-ADNI MCI,HABS NC) 中使用考克斯回归和时间依赖ROC曲线 (iAUC) 下的集成区域进行了评估.
• 粉样蛋白阳性ADNI MCI参与者的子组分析评估了DL模型对临床数据,18F-FDG-PET SUVR和粉样蛋白PET Centiloids的预后价值.

主要成果:

• 在所有评估的数据集中,DL模型的输出是认知衰退的独立预测指标 (P < .05).
• 纳入DL输出显著改善了ADNI-MCI的预测准确性 (iAUC差异为0.020),并显示了J-ADNI和HABS-NC的非显著改善.
• 在粉素阳性MCI参与者中,DL模型在临床因素和成像测量 (tdROC差异0.019) 上显示出独立和显著的预后附加值.

结论:

• 基于18F-FDG-PET的DL模型显示了在痴呆前阶段增强认知衰退预测的潜力.
• 这种DL模型可以为临床试验参与者选择和个性化患者管理策略的开发提供好处.
• 这些发现表明,18F-FDG-PET的DL分析可以提供超越传统方法的有价值的预后信息.